一个长期工作的 AI 面对两种不同的要求。任务还没结束时，需要准确接上已经发生的过程；下次遇到相似问题时，又应该有机会改变做法。前者关乎把这件事做完，后者关乎以后怎样做得更好。
它们经常被一起称为“记忆”，需要保存的内容却不一样。一段“上次比较过供应商”的摘要，无法告诉系统哪一轮还在等待；一份完整执行记录，也不会自动指出什么方法值得带到以后。
Teloa 将这两种时间分别处理：工作记录保留当时发生的事实，经验保留对这些事实的可修正理解。两者通过来源相连，经验再经过选择参与后续工作。长期合作需要这种联系，也需要这种分开。
接续工作，首先要知道做到了哪里
以一项假设的供应商比较为例。第一轮缺少一份报价，补齐以后继续；交稿以后，用户又要求加入售后条件。目标相关，输入与交付却已经经过几次变化。
系统需要知道缺哪份材料、哪轮已经结束、哪版比较表被接受。这些内容属于原任务与实际运行。若只凭一段历史摘要恢复，可能漏掉新资料，也可能把已经完成的工作再做一次。
因此，任务、运行和成果各自保留身份与关系，DeepSeek Harness（DSH）的原生会话和执行机制承接具体过程。模型结束与成果保存也分别核对：已经得到的结果要留下，尚未完成的保存继续处理，不应因为最后一步中断就重新研究。
接续的首要标准是准确。过去批准了什么、交付了哪一版，不能随着模型对历史的新理解而变化。
经验需要允许重新解释过去
同一份比较表被用户修改了三次，可能意味着岗位方法不合适，也可能只是这位客户有特殊要求。只有原记录，很难直接得出下次应该怎样做。
归纳因此包含判断：什么只属于这次工作，什么可能适用于同一岗位，什么应成为共同项目的规则。一次反馈刚出现时的理解，后来也可能被新的证据纠正。
这使经验与历史有不同的维护要求。历史需要尽量准确，经验需要允许改变。今天认为是长期客户偏好的要求，后来发现只是试点阶段的安排，可以撤回或重新整理；原来那份报告及其反馈仍应保留。
把两者混在一份不断重写的摘要里，过去容易被最新解释覆盖。完全不整理，下一次又要从全部往返中重新寻找依据。Teloa 选择保留原证据，另外维护从中提炼的经验，接受额外的来源与状态管理成本。
整理与采用之间，还有一次选择
当前 Auto Dream 给岗位每日整理安排独立运行，读取当日对应证据，形成小结与经验候选。满足来源与范围规则的经验可以自动保存，建议撤回仍由本人决定。这让整理不必挤在每一次交付中，也保留了检查归纳的入口。
自动整理的下一步，是让有效内容参与工作。项目已启用相应积累、会话允许长期记忆时，系统可以在对话完成后提炼有依据的决定；后续相关会话再自动准备项目背景，选择适用经验进入本轮输入。用户不必每次亲自翻回旧讨论、重新交代已经确认的要求。
这种自动带入需要作选择。一项项目决定未必适用于另一位客户，岗位经验也有自己的范围。相关性、归属、有效状态与输入预算共同决定哪些内容进入本轮，自动保存与实际采用仍各有记录。
因此，长期工作至少经过三个相连的位置：
| 位置 | 需要回答的问题 |
|---|---|
| 原工作记录 | 当时发生了什么，责任是否履行完毕？ |
| 可维护经验 | 从中理解了什么，适用于哪里？ |
| 本轮输入 | 当前工作实际取得了哪些有效材料？ |
三个位置不能互相充当效果证据。经验已经保存，可能没有进入这轮输入；已经进入输入，也可能被错误理解。最终是否减少返工，要继续检查交付。
这也解释了为什么更大的上下文窗口无法独自解决记忆问题。容量允许发送更多文字，却不会替产品判断哪些内容仍有效、属于谁，以及是否适合这次工作。
改进需要有准确的落点
用户说“下次别再犯”，产品要帮助找到可以改变的内容。事实资料过期，需要更新知识；共同方向改变，需要维护项目决定；反复遗漏同一步检查，可能需要完善技能。它们影响下一次工作的方式不同。
若所有纠正都追加成一条记忆，系统只会积累更多要求，很难辨认矛盾来自哪里。分别维护以后，一份资料可以更新而不改变方法，一位客户的选择也不必变成全部岗位的默认规则。
这里的目标不是让用户先学会一套分类。维护入口应该让人能从实际问题回到对应内容：这份依据错了，就改依据；这个步骤总遗漏，就检查方法。分类服务于纠正，而不是成为新的配置任务。
用下一次工作评价“成长”
我们对长期能力的期待，是相似问题再次出现时，相关要求能够被取得，方法能够相应改变，结果更符合已经确认的标准。产品记录可以让这条关系更容易检查，不能提前保证每次都成立。
一条经验如果不断增加解释负担，就应重新评价；一项稳定有效的方法，则值得继续维护。过去有记录，经验能改变，新的任务还能检验它——这比历史越积越长，更接近长期合作应当带来的进步。